深度学习在生物医药领域中的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量
1841	2025-06-03	Establishment of an intelligent analysis system for clinical image features of melanonychia based on deep learning image segmentation 2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102543 PMID:40367737	研究论文	本研究开发了一种基于深度学习的非侵入性智能分析系统，用于黑色素瘤的早期诊断和监测	利用智能手机图像和深度学习技术，开发了一个两阶段模型（YOLOv8和UNet），显著提高了黑色素瘤病变的检测和分割准确性	研究未提及模型在不同肤色或光照条件下的泛化能力	开发一种非侵入性、易于使用的智能分析系统，用于黑色素瘤的早期诊断和监测	黑色素瘤患者的指甲图像	计算机视觉	黑色素瘤	深度学习图像分割	YOLOv8和UNet	图像	未提及具体样本数量，但提到建立了全面的指甲图像数据集
1842	2025-06-03	A deep learning framework for reconstructing Breast Amide Proton Transfer weighted imaging sequences from sparse frequency offsets to dense frequency offsets 2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102563 PMID:40373577	研究论文	开发了一种基于深度学习的模型，用于从稀疏频率偏移重建密集频率偏移的乳腺酰胺质子转移加权成像序列，以减少扫描时间	利用时间序列卷积提取APT成像序列的短程和长程空间及频率特征，并集成加权层评估各频率偏移对重建过程的影响	研究仅基于特定频率偏移范围（n=29）和特定减少的扫描时间（25%），可能不适用于所有APT成像场景	减少酰胺质子转移加权成像的扫描时间，同时保持成像质量	乳腺酰胺质子转移加权成像序列	医学影像分析	乳腺癌	酰胺质子转移技术（APT）	seq2seq模型	医学影像数据	未明确提及具体样本数量，但涉及从21个频率偏移重建29个密集频率偏移的数据
1843	2025-06-03	Bi-VesTreeFormer: A bidirectional topology-aware transformer framework for coronary vFFR estimation 2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102564 PMID:40373576	research paper	提出了一种名为Bi-VesTreeFormer的双向拓扑感知Transformer框架，用于冠状动脉虚拟FFR（vFFR）的无创估计	提出了一种新型双向拓扑感知Transformer网络（Bi-VesTreeFormer），能够全自动提取血管树的拓扑狭窄特征并捕捉分支间的全局依赖关系，同时引入了上下文vFFR解码器以建立相邻分支间FFR值的相关性	研究样本量相对较小，仅包含43名患者的FFR数据和15,000条模拟冠状动脉中心线数据	开发一种高效、无创的冠状动脉虚拟FFR估计方法，以克服传统FFR测量和现有计算方法的局限性	冠状动脉狭窄患者的FFR数据和模拟冠状动脉中心线数据	digital pathology	cardiovascular disease	computational fluid dynamics, deep learning	Transformer (Bi-VesTreeFormer)	medical imaging data, simulated data	43名患者的FFR数据和15,000条模拟冠状动脉中心线数据
1844	2025-06-03	Fast cortical thickness estimation using deep learning-based anatomy segmentation and diffeomorphic registration 2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102569 PMID:40378768	研究论文	提出了一种基于深度学习的解剖分割和微分同胚配准的快速皮层厚度估计框架	结合CNN分割模型和无监督学习配准网络，提出了一种新的基于不同时间点微分同胚的算法来计算厚度图	未提及具体的数据集规模限制或模型泛化能力的详细评估	提高从MRI图像中估计皮层厚度的准确性和效率，以支持神经科学研究和临床应用	磁共振图像（MRI）中的皮层厚度	计算机视觉	NA	深度学习，微分同胚配准	CNN，无监督学习配准网络	MRI图像	在两个不同的数据集上进行了系统评估
1845	2025-06-03	CALIMAR-GAN: An unpaired mask-guided attention network for metal artifact reduction in CT scans 2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102565 PMID:40378767	research paper	本文提出了一种名为CALIMAR-GAN的生成对抗网络模型，用于减少CT扫描中的金属伪影	CALIMAR-GAN采用引导注意力机制和线性插值算法，利用未配对的模拟和临床数据进行针对性伪影减少	大多数现有方法依赖配对的模拟数据，限制了在临床扫描上的定量评估	提高CT扫描的图像质量，减少金属伪影，以增强诊断准确性和治疗效果	CT扫描中的金属伪影	computer vision	NA	GAN	CALIMAR-GAN	image	NA
1846	2025-06-03	Modeling enteric methane emission from dairy cows using deep learning approach 2025-Jul-01, The Science of the total environment DOI:10.1016/j.scitotenv.2025.179713 PMID:40414055	研究论文	本研究探讨了使用深度学习模型预测奶牛肠道发酵产生的甲烷排放	首次应用LSTM模型预测奶牛甲烷排放，并在不同数据可用性场景下测试模型性能	样本量较小（最多52头奶牛），且仅使用单一农场的特定时间段数据	开发能够准确预测奶牛甲烷排放的深度学习模型	奶牛的甲烷排放数据	机器学习	NA	深度学习	LSTM, CNN, CNN-LSTM混合模型	性能、饲喂、行为和天气数据	52头奶牛（2022年10月至2023年12月）
1847	2025-06-03	Non-traditional socio-environmental and geospatial determinants of Alzheimer's disease-related dementia mortality 2025-Jul-01, The Science of the total environment DOI:10.1016/j.scitotenv.2025.179745 PMID:40424712	研究论文	本研究探讨了非传统环境和社会因素对阿尔茨海默病相关痴呆（ADRD）死亡率的影响	结合了空气污染、社会脆弱性和地理空间特征来研究ADRD死亡率，并使用了PRIM和SHAP等先进分析方法	研究为横断面设计，无法确定因果关系	确定非传统环境和社会因素与ADRD死亡率的关系	美国大陆县级ADRD死亡率数据	公共卫生	老年病	PRIM、SHAP、深度学习	NA	环境数据、社会脆弱性指数、街景图像	美国大陆县级数据
1848	2025-06-03	Deep Guess acceleration for explainable image reconstruction in sparse-view CT 2025-Jul, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102530 PMID:40154011	研究论文	本文提出了一种名为Deep Guess加速方案的新技术，用于在稀疏视图CT中加速正则化MBIR并提高重建精度	结合深度学习工具初始化近端算法的起始猜测，以在非凸模型中快速计算可解释的解图像	未提及具体临床验证或大规模样本测试	减少医学成像中的X射线剂量辐射并提高稀疏视图CT的重建质量	稀疏视图CT图像	计算机视觉	NA	深度学习	神经网络	图像	真实和合成的CT图像（具体数量未提及）
1849	2025-06-01	Automatic segmentation of the midfacial bone surface from ultrasound images using deep learning methods 2025-Jul, International journal of oral and maxillofacial surgery IF:2.2Q2 DOI:10.1016/j.ijom.2025.01.012 PMID:39880737	研究论文	本研究开发了一种基于深度学习的自动算法，用于从2D超声图像中分割中面部骨表面	首次将多种深度学习网络（如nnU-Net、U-Net等）应用于中面部骨表面的自动分割，并比较了它们的性能	研究仅针对中面部骨表面，未验证其他骨骼部位的分割效果	开发自动分割中面部骨表面的算法，提高超声图像分析的准确性和效率	中面部骨表面	计算机视觉	NA	3D超声成像	nnU-Net, U-Net, ConvNeXt, Mask2Former, SegFormer, DDRNet	2D超声图像	NA
1850	2025-06-01	Advances in photoactivated carbon-based nanostructured materials for targeted cancer therapy 2025-Jul, Advanced drug delivery reviews IF:15.2Q1 DOI:10.1016/j.addr.2025.115604 PMID:40354939	综述	本文综述了光激活碳基纳米结构材料在靶向癌症治疗中的关键创新	探讨了碳基纳米材料（CBNs）在光热、光化学和光声特性方面的卓越表现，以及其在靶向癌症治疗中的多功能性和适应性	讨论了这些纳米材料在生物系统中的长期效应和降解特性，以及制造过程中的可重复性和生物相容性挑战	探索光激活碳基纳米材料在靶向癌症治疗中的应用潜力	碳基纳米材料（CBNs）及其在乳腺癌、肺癌和胶质瘤中的应用	纳米医学	乳腺癌、肺癌、胶质瘤	光热疗法、光动力疗法、光化学内化	随机森林、支持向量机、神经网络、深度学习	NA	NA
1851	2025-05-31	MedScale-Former: Self-guided multiscale transformer for medical image segmentation 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103554 PMID:40209553	研究论文	提出了一种名为MedScale-Former的双分支Transformer网络，用于医学图像分割，通过自监督学习和多尺度策略提高分割准确性	引入了双分支Transformer网络，结合自监督学习和多尺度策略，提出选择性核区域注意力模块以增强对象边界定义	需要进一步验证在不同医学图像数据集上的泛化能力	提高医学图像分割的准确性，减少对大量标注数据的依赖	医学图像（皮肤病变、肺器官、多发性骨髓瘤浆细胞）	数字病理	皮肤病变、肺器官疾病、多发性骨髓瘤	自监督学习、多尺度Transformer	Transformer	医学图像	NA
1852	2025-05-31	Bi-variational physics-informed operator network for fractional flow reserve curve assessment from coronary angiography 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103564 PMID:40245779	研究论文	本文提出了一种基于双变分物理信息神经算子（BVPINO）的方法，用于从冠状动脉造影中评估分数流储备（FFR）曲线	结合变分机制指导基函数学习和残差评估，实现了FFR曲线评估在准确性和效率之间的最优平衡	未明确提及具体局限性	开发一种高效准确的方法，用于从冠状动脉造影中评估FFR曲线	冠状动脉造影图像及FFR曲线	数字病理学	心血管疾病	双变分物理信息神经算子（BVPINO）	神经算子	图像	184名受试者的215条血管的冠状动脉造影数据
1853	2025-05-31	Joint semi-supervised and contrastive learning enables domain generalization and multi-domain segmentation 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103575 PMID:40245778	research paper	提出了一种名为SegCLR的框架，结合半监督和对比学习，用于跨域图像分割	SegCLR框架通过同时使用监督和对比学习，有效利用标记和未标记数据，提高了模型在不同域间的泛化能力	未明确提及具体局限性	提升深度学习模型在不同域图像分割中的泛化性能	3D视网膜光学相干断层扫描（OCT）图像	computer vision	视网膜疾病	对比学习，半监督学习	SegCLR	3D图像	三个不同的临床数据集，涉及10种不同的网络初始化
1854	2025-05-31	One for multiple: Physics-informed synthetic data boosts generalizable deep learning for fast MRI reconstruction 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103616 PMID:40279827	research paper	提出了一种名为PISF的物理信息合成数据学习框架，用于快速MRI重建，通过单一训练模型实现多场景MRI重建的通用性	PISF框架通过将2D图像重建分解为多个1D基本问题，并利用合成数据进行训练，显著减少对真实MRI数据的依赖（高达96%），同时支持多种采样模式、解剖结构、对比度、厂商和中心的高质量重建	尽管PISF在多种场景下表现出色，但其在更广泛的患者群体和更复杂的病理条件下的适用性仍需进一步验证	提升深度学习在快速MRI重建中的通用性和广泛应用	MRI图像重建	医学影像处理	NA	深度学习	DL	MRI图像	验证了2种神经和2种心血管患者群体，由10位经验丰富的医疗专业人员进行评估
1855	2025-05-31	General retinal image enhancement via reconstruction: Bridging distribution shifts using latent diffusion adaptors 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103603 PMID:40300379	research paper	提出了一种通用的视网膜图像增强方法，通过分解任务为重建和适应阶段来提高泛化能力和灵活性	采用自监督训练和潜在扩散模型，减少了配对训练数据的需求、可训练参数的数量，并加快了收敛速度	方法虽然在多个数据集和退化类型上表现出适应性，但具体性能可能依赖于预训练和微调的质量	提高视网膜图像增强的泛化能力和灵活性，适应不同的数据集和退化类型	视网膜图像	computer vision	NA	潜在扩散模型	autoencoders, diffusion networks	image	利用大量公共数据集进行自监督训练，具体样本数量未提及
1856	2025-05-31	Medical image translation with deep learning: Advances, datasets and perspectives 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103605 PMID:40311301	综述	本文回顾了基于深度学习的医学图像翻译的最新进展，包括任务、应用、基础模型、生成模型、评估指标、常用数据集以及未来趋势和挑战	详细阐述了医学图像翻译的多样任务和实际应用，并深入探讨了多种生成模型及其评估指标	未提及具体实验数据或样本量的限制	推动医学图像翻译领域的持续进步和创新	医学图像翻译技术及其应用	数字病理	NA	深度学习	CNN, Transformer, SSM, GAN, VAE, AR, diffusion Models, flow Models	医学图像	NA
1857	2025-05-31	ProtoASNet: Comprehensive evaluation and enhanced performance with uncertainty estimation for aortic stenosis classification in echocardiography 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103600 PMID:40324320	research paper	提出了一种基于原型的新型神经网络ProtoASNet，用于从B型超声心动图视频中分类主动脉瓣狭窄的严重程度，并增强预测的可解释性和不确定性估计	ProtoASNet通过相似性分数和可学习的时空原型提供内在可解释性，并利用弃权损失估计数据的不确定性，增强了模型的透明度和临床适用性	研究依赖于私有和公开数据集，可能无法涵盖所有临床场景，且模型性能在不确定案例中有所下降	开发一种可解释且具有不确定性估计能力的深度学习模型，用于主动脉瓣狭窄的自动分类	主动脉瓣狭窄（AS）患者	digital pathology	cardiovascular disease	B-mode echocardiography	prototype-based neural network	video	私有数据集和公开可用的TMED-2数据集
1858	2025-05-31	Deep implicit optimization enables robust learnable features for deformable image registration 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103577 PMID:40328129	research paper	该论文提出了一种深度隐式优化方法，用于在可变形图像配准中实现鲁棒的可学习特征	通过将优化作为深度网络中的一层，结合统计学习和优化的优势，首次实现了在测试时无需重新训练即可切换任意变换表示	NA	弥合统计学习与优化方法在图像配准中的差距，提高配准性能和对领域偏移的鲁棒性	可变形图像配准	computer vision	NA	deep learning, iterative optimization solver	deep network	image	NA
1859	2025-05-31	Rethinking boundary detection in deep learning-based medical image segmentation 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103615 PMID:40344946	research paper	提出了一种名为CTO的新型网络架构，结合CNN、ViT和显式边缘检测算子，以解决医学图像分割中边界区域精确分割的挑战	CTO网络架构结合了CNN、ViT和显式边缘检测算子，通过双流编码器网络和边界引导解码器网络，提高了边界区域的分割精度	未提及具体局限性	提高医学图像分割中边界区域的精确分割能力	医学图像分割	digital pathology	NA	CNN, ViT, 边缘检测算子	CTO (结合CNN和ViT的双流编码器网络及边界引导解码器网络)	image	七个医学图像分割数据集（ISIC 2016, PH2, ISIC 2018, CoNIC, LiTS17, BraTS, BTCV）
1860	2025-05-31	CausalMixNet: A mixed-attention framework for causal intervention in robust medical image diagnosis 2025-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103581 PMID:40359724	research paper	提出了一种名为CausalMixNet的创新方法，通过混合注意力机制探究医学图像与标签之间的因果关系，以提高诊断的准确性和泛化性能	采用查询混合内部注意力和键值混合外部注意力机制，结合非局部推理模块和键值混合外部注意力进行前门调整策略，以及补丁掩码排序模块和查询混合内部注意力增强中介学习	未明确提及具体限制	提高医学图像诊断的准确性和泛化性能，探究图像与标签之间的因果关系	医学图像及其诊断标签	digital pathology	NA	deep learning	CausalMixNet	image	多个数据集，具体数量未提及